1. 课程导入与NVIDIA DRIVE平台概览
欢迎进入《NVIDIA DRIVE传感器标定与数据采集》课程。在正式动手标定之前，我们需要先建立一张"全局地图"：自动驾驶系统到底依赖哪些传感器、这些传感器为什么必须被标定、数据采集在整个链路中扮演什么角色，以及NVIDIA DRIVE平台提供了哪些硬件与软件能力来支撑这两件事。本章不涉及具体算法，但会决定你后续每一章的学习方向——如果这一章理解偏差，后面很容易把"标定"和"采集"当成两个孤立任务，而它们实际上是同一条数据链上的上下游。
一、学习目标：学完本课程你能做什么
本课程面向已经具备一定自动驾驶或机器人感知基础、希望系统掌握传感器标定与数据采集工程实践的读者。完成全部30章后，你应当能够独立完成以下工作：
- 理解相机、激光雷达、毫米波雷达、IMU、GNSS等车载传感器的物理测量原理及其误差来源；
- 在NVIDIA DRIVE平台上完成相机内参标定、多相机外参标定、相机-激光雷达联合标定、雷达-激光雷达外参标定；
- 设计并执行一套完整的数据采集方案，包括传感器触发同步、时间戳对齐、数据落盘与质量检查；
- 使用DRIVE平台提供的工具链（如DriveWorks、Drive OS、NVIDIA TAO等）进行标定参数管理、数据回放与验证；
- 对采集到的数据进行可用性判断，识别常见的标定失效与采集异常场景。
需要强调的是，标定不是"一次性配置"，而是一个贯穿车辆全生命周期的工程活动。车辆震动、温度变化、碰撞、更换传感器都会导致外参漂移，因此在线标定与定期复标同样是本课程的重点内容。
二、传感器标定与数据采集在自动驾驶中的角色
自动驾驶的感知、定位、预测、规划模块都建立在"传感器数据能被正确解释"这一前提之上。标定解决的是"传感器之间的空间与时间关系"，数据采集解决的是"原始信号如何被完整、同步、可追溯地记录下来"。两者共同构成感知系统的地基。
以典型的L2+级自动驾驶车辆为例，其传感器配置通常包括：前视长焦相机、前视广角相机、侧视相机、后视相机、环视相机、顶部机械式或半固态激光雷达、前向毫米波雷达、角雷达、IMU与GNSS组合导航单元。这些传感器安装位置不同、采样频率不同、坐标系不同，如果不经过标定，融合算法会把同一辆前车在不同传感器中识别为不同位置的目标。
标定的本质是求解坐标变换。相机内参标定求解像素坐标与相机归一化平面之间的映射，通常用针孔模型加畸变模型描述；外参标定求解传感器坐标系到车辆坐标系（或某一参考坐标系）的刚体变换，即旋转矩阵R与平移向量t。时间标定则求解传感器采样时刻之间的偏移量。数据采集则要保证这些传感器在同一时刻的观测被正确关联，并保留足够的时间戳精度。
三、NVIDIA DRIVE平台硬件与软件栈简介
NVIDIA DRIVE是一个面向自动驾驶的计算平台，涵盖从开发到量产的完整链条。硬件层面，核心计算单元是DRIVE AGX系列SoC，例如DRIVE AGX Orin，它集成了NVIDIA Ampere架构GPU、Arm Cortex-A78AE CPU、深度学习加速器DLA、可编程视觉加速器PVA以及安全岛。这些异构单元分别承担感知推理、通用计算、图像预处理与功能安全任务。
传感器接入方面，DRIVE平台通过GMSL或FPD-Link等车载串行链路连接相机，通过以太网或CAN连接激光雷达与雷达，通过PPS与gPTP实现全局时间同步。这一点对数据采集至关重要：只有硬件级同步，才能保证多传感器数据在时间上可对齐。
软件层面，DRIVE OS提供实时操作系统与驱动，DriveWorks提供传感器抽象、标定、图像处理、点云处理等中间件，NVIDIA TAO Toolkit用于模型训练与迁移学习，DRIVE Sim用于仿真验证。对于标定与采集任务，最常用的是DriveWorks中的标定模块与数据记录工具。
上图展示了从传感器到感知的完整数据链。可以看到，标定层位于采集层与感知层之间，它既依赖采集到的原始数据，又为感知提供参数基础。右侧的虚线回路表示在线标定：当感知模块发现融合残差异常时，可以触发外参的在线估计与更新，这正是量产自动驾驶系统必须具备的能力。
四、本课程的组织方式与学习建议
后续章节将按照"原理—工具—实操—验证"的节奏展开。第2至第6章讲解各传感器的测量模型与误差特性；第7至第14章进入相机标定与多传感器联合标定的具体操作；第15至第22章聚焦数据采集系统设计、时间同步与数据管理；第23至第30章讨论在线标定、故障诊断与量产落地中的工程问题。
建议在学习过程中准备一台具备NVIDIA DRIVE AGX开发套件或等效环境的机器，并准备一组包含相机、激光雷达、IMU的示例数据。每章的实操环节都会给出可复现的参数与判断依据，但请注意：文中出现的具体数值均为教学示例或合理假设，实际工程中必须根据你的传感器型号、安装位置与标定场地重新测量。